随机森林模型公式是什么？

随机森林是一种集成学习算法，利用多个决策树来进行预测。每个决策树都是基于随机采样的样本和随机选择的特征构建的。随机森林模型的公式如下:

对于一个包含m个样本和n个特征的数据集D，随机森林模型可以表示为：

1. 对于每个基决策树t，随机从数据集D中有放回地采样m个样本，作为训练集D_t。
2. 随机选择k个特征，其中k << n，作为基决策树t的可选特征集，即每个节点在k个特征中选择最优特征进行分裂。
3. 构建基决策树t，直到达到停止条件。这里的停止条件可以是叶子节点数达到最大值，或者深度达到最大值等等。
4. 重复步骤1-3，构建m个基决策树。
5. 对于新的样本x，将其输入到每个基决策树t中，得到m个预测结果y_t。最终的随机森林模型的预测结果为y = 1/m * sum(y_t)。

其中，每个基决策树的构建可以采用CART算法或ID3算法等。通过随机采样和随机选择特征，可以有效避免过拟合，提高模型的泛化能力。